移动机器人全局路径规划的研究
| 第1章 绪论 | 第1-19页 |
| 1．1 本课题的研究意义及国内外研究动态 | 第8-9页 |
| 1．2 机器人路径规划的研究综述 | 第9-18页 |
| 1．2．1 位姿空间 | 第10-11页 |
| 1．2．2 环境的表示方法 | 第11-13页 |
| 1．2．3 规划方法 | 第13-16页 |
| 1．2．4 搜索方法 | 第16-18页 |
| 1．3 本文的主要工作 | 第18-19页 |
| 第2章 基于神经网络的机器人路径规划 | 第19-33页 |
| 2．1 神经网络路径规划算法的基本思想 | 第19-26页 |
| 2．1．1 无碰撞路径的网络表示 | 第19-22页 |
| 2．1．2 物体表示为质点时的路径规划 | 第22-23页 |
| 2．1．3 物体表示为多面体时的路径规划 | 第23-24页 |
| 2．1．4 避免局部极值问题的模拟退火方法 | 第24-25页 |
| 2．1．5 结论 | 第25-26页 |
| 2．2 快速神经网络最短路径规划算法 | 第26-31页 |
| 2．2．1 二维路径规划算法 | 第27-28页 |
| 2．2．2 最短路径规划算法 | 第28-30页 |
| 2．2．3 仿真实验结果 | 第30-31页 |
| 2．3 本章小结 | 第31-33页 |
| 第3章 基于遗传算法的机器人路径规划 | 第33-44页 |
| 3．1 基本思想 | 第33-34页 |
| 3．2 遗传算法在路径规划中的应用之一 | 第34-39页 |
| 3．2．1 模型建立 | 第34-35页 |
| 3．2．2 路径规划方法 | 第35-37页 |
| 3．2．3 仿真研究 | 第37-38页 |
| 3．2．4 结论 | 第38-39页 |
| 3．3 遗传算法在路径规划中的应用之二 | 第39-42页 |
| 3．3．1 路径规划的遗传模拟退火算法 | 第39-41页 |
| 3．3．2 仿真结果 | 第41-42页 |
| 3．3．3 结论 | 第42页 |
| 3．4 本章小结 | 第42-44页 |
| 第4章 复杂环境下的路径规划问题 | 第44-56页 |
| 4．1 复杂环境下路径规划的研究必要性 | 第44-45页 |
| 4．2 复杂环境下的遗传规划算法 | 第45-51页 |
| 4．2．1 个体的编码方法 | 第47页 |
| 4．2．2 种群的初始化 | 第47-48页 |
| 4．2．3 选择 | 第48页 |
| 4．2．4 交叉 | 第48-49页 |
| 4．2．5 变异 | 第49页 |
| 4．2．6 适应度函数定义 | 第49-51页 |
| 4．3 试验测试 | 第51-53页 |
| 4．3．1 可行性测试 | 第51-52页 |
| 4．3．2 算法性能测试 | 第52-53页 |
| 4．4 本章小结 | 第53-56页 |
| 第5章 路径规划的进一步研究 | 第56-66页 |
| 5．1 导航系统结构及功能 | 第56-57页 |
| 5．2 地图创建研究 | 第57-62页 |
| 5．3 基于栅格的环境描述算法 | 第62-65页 |
| 5．4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 个人简历 | 第71页 |
